Класифікатор дерева рішень вважає за краще, щоб значення ознак були категоричними;

Статистичний підхід буде використовуватися для розміщення атрибутів у будь-якій позиції вузла;

На основі значень атрибута записи розподіляються рекурсивно;

Всі відповіді правильні;

Під час підготовки дерев рішень навчальний набір є кореневим вузлом;

0011110100011100

1010101010111000

0101001100110101

1111000101101101

1011110000011100

випадковий вибір серед алгоритмів формування train & test сетів

генерує нові дані шляхом випадкового повторного вибору зразків з датасету.

самостійно обрати random seed, щоб кожного разу отримувати одні й ті ж самі train і test сети. Це корисно для налаштування моделі і “дебагінгу”.

щоб отримати рандомні розміри train & test сетів.

немає правильної відповіді

Частота процесора

Час відгуку операційної системи

Пропускна здатність системи зберігання

Паралельність виконання задач

Кількість використовуваної пам'яті

Масштабування;

Стандартизація;

Бінаризація;

Всі відповіді правильні;

Нормалізація;

13

10

14

15

20

Обробленими даними

Алгоритмами машинного навчання.

Кращою продуктивністю

Класами машинного навчання

Немає правильної відповіді